无Cookies营销番外篇1 用户/价值/品牌(五)
问题是，如何实现用户价值模型？
🏧如何实现用户价值模型
我们转载的独角喵喵老师文章随便说说：为何大厂做不好跨境电商？，当中有提及到跨境电商不相信方法论
文章节选：
一，跨境电商不相信方法论
字节尝试了至少三次，目前看起来胜算都不大。拼多多目前还看不出来，但风言风语也不少。“黑话大户”阿里其实是做的最好的，但近年来趋势也不乐观。
那这不是很诡异吗？按理说互联网这些组织管理方法论最先进，但一复制到跨境电商就不work了，没理由这么多北大清华海归高材生干不过一堆专科生吧？
但事实就是这样。专科生比北大清华强在哪里？不是英语更好方法论更高级，而是能在一个很细分的领域不断钻研。比如你让一个清华毕业的同学去研究列支敦士登这个国家有啥网红，他肯定是干不下去的，但是专科生可以。反之你让一个专科生去研究人工智能最新技术他大概率也是干不下去的，但清华毕业的可以。
而且清华毕业的人普遍“聪明”，精通职场之道，懂得向上管理，他会知道费劲巴拉去一个个找列支敦士登网红不如给领导写一个“欧洲各国电商分析”大报告。所以大厂项目很多做到后面一看，业务没啥起色，每个人都成了“xxx项目lead”.
所以小猫一直有种感觉，就是跨境电商的管理优势并不是什么所谓“科学方法论”的优势，而是充分细化分工和强执行力的配合：因为我每个流程都很具体，所以我不需要那些虚的，你把分给你这块执行到位就行。
这也可以解释为什么在大厂里阿里是做的最好的：因为在被各种黑话洗礼之前，阿里铁军一直是以执行力著称的。而天天大喊“组织管理学”的字节，是项目最容易半途而废的。
其实从员工人数上来看也很有意思，跨境电商的王者Shein大概有小几万名员工（相关报道中说1-5万都有，鉴于没有可靠信息，暂估算2-3万），销售额超过200亿美金，而互联网王者字节营收600多亿美金，有10万人。
怎么理解呢？apple to apple的比较，两者人效似乎差不多，但字节大部分的人和营收都来自互联网，跨境应该只占很小一部分。而shein这么一个单一板块已经占到了字节1/3的体量，不得不佩服。
某方面，跨境电商卖家的确更重视执行力多于方法论，😑毕竟你告诉我用户多有价值；
但如果无法落地，还是等同大家都知道ATM机柜存有现金，但都无法把钱转化为自己的财富一样😌
所以用户价值模型，关键不是如何论证，而是如何实现？
🤥面试题：把大象装进冰箱，要几个步骤？
很多人都应该有听到过这个问题的回答：第一步打开冰箱；第二步，把大象塞进冰箱里；第三步，把冰箱关上。
然而这看似一个冷笑话谜语，本质考验的是，答题者有没有拆分问题细节的能力，一个带有主谓宾的需求：
主语：你
谓语：放冰箱
宾语：大象
但实际上依然是很模糊需求——大象需要怎么放冰箱了？为什么要放冰箱了呢？
需求不清晰，所以真正的第一步，其实是需要梳理需求，而梳理的最好办法是通过给主谓宾加上细分形容词
为XX原因
放XX样的大象
XX样的冰箱
图片来源：接地气学堂
而组成以上细节的，则是关键数据指标——我们又该如何判断，什么是好的关键数据指标呢？
🥋关键数据指标
常规的独立站数据指标有哪些？
图片来源：Jaron/Yoki制表
然而以上就是我们最需要关心的“大象”数据吗？或者说，到底什么是有关键数据指标标准？
关键数据指标是比较性的
比较同一数据指标在不同时间段、用户群体、竞争产品之间的表现，可以更好地洞察产品的实际走向；“本周的用户转化率比上周有所提升”显然比“转化率为 2％ ”更有参考意义。
基于比较性，关键数据指标驱动改变——这是最重要的评判标准：我们采取什么的举措导致指标的变化
跳出率/弃购率/转化率/订阅率/复购率/交叉购率/客诉率/互动率/送达率/触达率
每次比率的变动，都是一次测试的结果，结果指引我们如何优化的路线，以及背后的底层逻辑：
图片PNG格式转变为WEBP，跳出率提升，原因——用户读取Web速度提升，使用体验提高；
Web整体色调调整为粉色，女性用户转化率提升，男性用户则相反，原因——女性对粉色体验更好；
CTA按键改小5个像素，结果新增用户订阅率下降，原因——用户对于CTA按键Miss了
从运营角度看，什么是关键数据指标？
某方面也取决于我们自己，有没有学会根据数据确定一条做与不做的准绳，从而更有科学性决策。
一个好的数据指标之所以能改变商业行为，是因为它与我们的目标是一致的：
留存用户，导向口碑传播分享，有效获取新用户，最后创造营收。
结合本文主题——用户价值，就会发现独立站最好的关键数据指标，更应该是客户体验数据（而非流量数据）：
跳出率——意味着产品/服务与目前测试用户匹配程度
图片来源：Jaron/Yoki绘图
弃购率/转化率/订阅率——目前测试用户意愿程度（不跳出但弃购，意味着产品/服务与用户匹配，但存在其他因素所以不转化；根据福格行为模型：动机/能力/促发场景，三者促发行为）
图片来源：Jaron/Yoki绘图
客诉率/互动率——客户体验管理程度，对客户来说，响应速度及时不及时/产品是否送达，是满足与否关键
图片来源：Jaron/Yoki绘图
触达率/复购率/交叉购率——对客户从满足一次到满足多次，普通用户导向忠诚用户，最后打造K因子模型
图片来源：Jaron/Yoki绘图
K因子模型——病毒营销背后的核心关键点，另外有说法是病毒因子/病毒系数K-Factor，几乎所有的增长黑客、用户裂变和病毒营销背后，都离不开它
图片来源：Jaron/Yoki制表
表格中和病毒系数K值相关的三个要素和变量分别是：
Custs(0)，即初始种子用户Customer；
i，即每个用户发送的邀请数量Invitation；
Conv%，即每个用户邀请成功转化率Conversion Rate；
计算K因子的公式非常简单：将每个用户的邀请数乘以邀请成功的转换率，即：K = i * Conv%
从图表数据可知，在初始用户量为 10 ，K因子为 2 的情况下，在经历 12 轮增长后，总用户量从10变成了81910
K因子属于用户隐藏价值，某程度也展示我们用户模型是否存在自增长：
0≤K<1：用户不会自增长，不存在病毒营销，因为平均每个用户无法带来另一个完整用户，属于亚线性增长
K≥1：用户将以指数方式增长，也就是病毒式增长引擎，因为平均每个现有用户发展一个或者多个新用户，实现线性或者超线性增长
图片来源：Jaron/Yoki绘图
和过去文章不同的是，我们本次文章的示意图，是从部分图片拓展为全局，因为我们希望强调一点：
关键数据指标之间存在耦合现象
转化率（访客中真正发生购买行为的比例）是和购买所需时间（客户需要花多长时间才能完成购买）相绑定；二者相结合可以告诉我们更多关于现金流的信息；
K因子的另外一个说法，病毒式传播系数（Viral Coefficient，平均每个用户邀请来的新用户数）和病毒传播周期（Ciral Cycle Time，用户完成一次邀请所需的时间）共同推动产品的普及率；
当我们开始组合思考独立站用户模型背后的关键数字时，就会注意到关键数据指标背后隐藏着更重要的数据指标：GMV、周期性现金流，还有产品普及率